在R向量中“向下”复制单元格值的惯用方法[重复]

Posted 2023-02-22

【中文标题】在R向量中“向下”复制单元格值的惯用方法[重复]

【英文标题】：Idiomatic way to copy cell values "down" in an R vector [duplicate]

【发布时间】：2013-01-05 03:52:45

【问题描述】：

可能重复：Populate NAs in a vector using prior non-NA values?

是否有一种惯用的方法可以在 R 向量中“向下”复制单元格值？通过“向下复制”，我的意思是用最接近的先前非 NA 值替换 NA。

虽然我可以使用 for 循环非常简单地做到这一点，但它运行得非常慢。任何有关如何矢量化的建议将不胜感激。

# Test code
# Set up test data
len <- 1000000
data <- rep(c(1, rep(NA, 9)), len %/% 10) * rep(1:(len %/% 10), each=10)
head(data, n=25)
tail(data, n=25)

# Time naive method
system.time(
  data.clean <- data;
  for (i in 2:length(data.clean))
    if(is.na(data.clean[i])) data.clean[i] <- data.clean[i-1]
  
)

# Print results
head(data.clean, n=25)
tail(data.clean, n=25)

试运行结果：

> # Set up test data
> len <- 1000000
> data <- rep(c(1, rep(NA, 9)), len %/% 10) * rep(1:(len %/% 10), each=10)
> head(data, n=25)
 [1]  1 NA NA NA NA NA NA NA NA NA  2 NA NA NA NA NA NA NA NA NA  3 NA NA NA NA
> tail(data, n=25)
 [1]     NA     NA     NA     NA     NA  99999     NA     NA     NA     NA
[11]     NA     NA     NA     NA     NA 100000     NA     NA     NA     NA
[21]     NA     NA     NA     NA     NA
> 
> # Time naive method
> system.time(
+   data.clean <- data;
+   for (i in 2:length(data.clean))
+     if(is.na(data.clean[i])) data.clean[i] <- data.clean[i-1]
+   
+ )
   user  system elapsed 
   3.09    0.00    3.09 
> 
> # Print results
> head(data.clean, n=25)
 [1] 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3
> tail(data.clean, n=25)
 [1]  99998  99998  99998  99998  99998  99999  99999  99999  99999  99999
[11]  99999  99999  99999  99999  99999 100000 100000 100000 100000 100000
[21] 100000 100000 100000 100000 100000
> 

【问题讨论】：

***.com/questions/9023072/…

【参考方案1】：

使用zoo::na.locf

将您的代码封装在函数f 中（包括最后返回data.clean）：

library(rbenchmark)
library(zoo)

identical(f(data), na.locf(data))
## [1] TRUE

benchmark(f(data), na.locf(data), replications=10, columns=c("test", "elapsed", "relative"))
##            test elapsed relative
## 1       f(data)  21.460   14.471
## 2 na.locf(data)   1.483    1.000

【参考方案2】：

我不知道惯用语，但这里我们识别非 NA 值 (idx)，以及最后一个非 NA 值的索引 (cumsum(idx))

f1 <- function(x) 
    idx <- !is.na(x)
    x[idx][cumsum(idx)]

对于示例数据，这似乎比 na.locf 快​​ 6 倍。默认情况下，它会像 na.locf 那样丢弃领先的 NA，所以

f2 <- function(x, na.rm=TRUE) 
    idx <- !is.na(x)
    cidx <- cumsum(idx)
    if (!na.rm)
        cidx[cidx==0] <- NA_integer_
    x[idx][cidx]

na.rm=FALSE 似乎增加了大约 30% 的时间。大概na.locf 有其他优点，捕获更多的极端情况并允许填充而不是向下填充（无论如何，这在cumsum 世界中是一个有趣的练习）。同样清楚的是，我们至少分配了五次可能的大数据——idx（实际上，我们计算了is.na()，它是补数）、cumsum(idx)、x[idx] 和x[idx][cumsum(idx)]——所以有有进一步改进的空间，例如在 C

【讨论】：

我称之为惯用语。很不错。在我的系统上比 na.locf 快 7 倍。